日本人写的书，一般都很简短，通常还写得很通俗易懂，不需要花费多少力气，就可以读完，这本书也同样继承了这些特点。这是一本讲述深度学习背后数学原理的书，确实讲得简单易懂，用很简单的例子，拆解了深度学习中的神经网络算法，以及在此之上的卷积神经网络算法。对神经网络算法的底层逻辑进行了拆解，用模式识别的具体示例展示了神经网络算法是如何发挥作用的，可以作为神经网络算法的最基础的科普读物。其实很多算法，如果拆解到最底层，就发现他们使用的方法和原理并不复杂，而当这些算法和计算机的逻辑运算能力相结合时，往往就会产生质的飞跃，计算量的增加，使得人已经无法理解这中间的过程，慢慢地也就变成了所谓的黑匣子。通过学些这些底层原理，能够让人更加好地理解算法本身，而不是变成算法的奴隶。

这是一本关于深度学习数学基础的科普读物，是一本日本作家写的书。日本作家的写作风格特点向来是通俗易懂，这本书也不例外。如果你是专业从事人工智能和深度学习的技术人员，建议去系统学习比较经典的书籍。但如果你是非此行业的技术人员，但是对人工智能和深度学习的大概原理很感兴趣的话，可以花半小时的时间去翻一下这本书，就会对深度学习中的数学基础有一个感性的认识。这本书还有一个神奇的地方，就是书中提供了很多 Excel 表格的下载。而在这些 Excel 表格中，有关于卷积神经网络计算过程的演示，有神经网络前向传播过程的演示，还有神经网络反向梯度优化过程的演示。以前知道 Excel 功能很强大，但不知道居然这么强大，居然可以演示深度学习的原理。如果大家感兴趣，可以下载这些 Excel 表格，亲自在本地运行一下，一定是一个很有趣的过程。总结一下这本书中的技术内容。神经网络或者说深度学习，本质上就是 y = w * x + b 的过程。只是在具体的应用中，是将多个线性组合以及激活函数进行了嵌套，从而用这些很简单的公式去完成一些很复杂的任务。比如说图像识别，自动驾驶感知，量化基金预测等任务。这就可以跟我们前两天读到的《系统化思维导论》结合起来。神经网络做的事，相当于将一些非常简单的动作结合起来，从复杂系统的角度，反而可以涌现出一些神奇的结果。看透这个本质，再去学习深度学习或者神经网络，就会简单得多。

內容大概都是中學和大一微積分就學過的基礎數學，對於已經學過相關知識的人的從業者不推薦閱讀，如果沒有學過相關的數學知識，大概率翻完也看不懂，還需要更正式的學習，這本書只能推薦給已經學過相關數學知識但因為時間久遠已經忘記的人當作簡單的複習。

用比较少的数学知识说清楚了深度学习的本质，有收获。还需要细读！

不理解得地方可能是印刷错误，这一点一定要注意。写作的初心是好的，但翻译成中文之后显然不走心了。

这本书太棒了。有清晰的原理分析，还有体验实践案例分析。让人可以直接上手玩神经网络和深度学习了。这本书真正做到了让人知其然不知其所以然的效果。原来梯度下降是这样的，回归分析是那样的。为了简化计算要进行的反向误差传递是这样的。最后通过深度学习的卷积神经网络将所有的内容都串起来了。相当于一次神经网络设计实践。看完这本书，有很大的冲动去看看大厂提供的神经网络算力接口的设计了。估计这回可以了解不少。先去看看 tensorflow 和 pytouch 吧。之后看看飞桨。

神经网络可分为有监督学习和无监督学习两类。本书主要讲解有监督学习。人工智能相关的文献之所以难读，其中一个原因就是各文献所用的符号不统一。本书采用的是相关文献中常用的符号。本书使用 Excel 进行理论验证。Excel 是一个非常优秀的工具，能够在工作表上可视化地展现逻辑，有助于我们理解。因此，相应的项目需要以 Excel 的基础知识为前提。

我很喜欢这种把一件事，从最最基础的切入点，事无巨细，不省环节地推导完的知识讲述方式。很多书会以作者本人的水平不觉中就假定读者知道很多不言而喻的隐性知识，从而使得书中知识跳跃性很大。而此书完全没有这方面的问题，单这一点就非常可贵。过程中的推导也很清楚，可作为工具书常拿出来温故知新。

小日子过得很好的日本人写书总是很小。。。不过也算适合入门者了

全书大体上是比较通俗易懂的，前面铺垫的还不错，后面公式太多，阅读上建议抓大体的实际规则理解原理。

很适合深度学习入门。

内容中特别是公式部分有不少错误